Generative KI im Vergleich zu maschinellem Lernen: Warum Führungskräfte im Travel Retail Media den Unterschied verstehen müssen

Künstliche Intelligenz ist zu einem der am meisten diskutierten Themen im Marketing geworden. In vielen heutigen Konversationen ist „KI“ jedoch quasi zu einer Abkürzung für generative Tools geworden, Systeme, die in der Lage sind, Texte zu schreiben, Bilder zu erstellen, Berichte zusammenzufassen oder dialogisch auf Aufforderungen zu reagieren.

Diese Funktionen sind beeindruckend und haben KI in den täglichen Arbeitsablauf von Marketingexperten gebracht, sodass kreative Assets oder Kampagnenideen in Sekundenschnelle generiert werden können.

Generative KI stellt jedoch nur einen Teil der KI-Landschaft dar. Hinter vielen der Systeme, die den Reisehandel und die digitale Werbung bereits prägen, steckt eine ruhigere Form der künstlichen Intelligenz, das maschinelle Lernen.

Es ist wichtig, den Unterschied zwischen den beiden zu verstehen, insbesondere für Führungskräfte, die für Travel-Retail-Media-Netzwerke verantwortlich sind. Generative KI eignet sich zwar hervorragend für sprachliche und kreative Ergebnisse, aber maschinelles Lernen ist nach wie vor der Motor vieler prädiktiver Systeme, die kommerzielle Entscheidungen beeinflussen.

Kurz gesagt, eine Art von KI generiert Inhalte. Die andere sagt Ergebnisse voraus. Beides ist wichtig, aber sie lösen sehr unterschiedliche Probleme.

Die KI, über die alle reden: Generative KI

Generative KI-Modelle wie große Sprachmodelle (LLMs) wie ChatGPT, Perplexity und Claude werden mit riesigen Mengen an Text, Bildern und anderen unstrukturierten Daten trainiert. Ihr Zweck ist es, plausible neue Ergebnisse zu generieren, die auf Mustern basieren, die während des Trainings gelernt wurden.

Bitten Sie ein generatives KI-Modell, eine Hotelbeschreibung zu entwerfen, eine Reiseroute zu erstellen oder zehn Varianten einer Reisezielanzeige zu schreiben, und es wird fast sofort kohärente Antworten liefern.

Diese Systeme arbeiten jedoch probabilistisch, sie sind darauf ausgelegt, Antworten zu liefern, die eher plausibel als deterministisch sind. Aus diesem Grund kann das zweimalige Stellen derselben Frage zu leicht unterschiedlichen Antworten führen.

Dies ist auch der Grund, warum generative KI manchmal Probleme mit Aufgaben hat, die absolute Konsistenz erfordern, z. B. die Erstellung einer exakten Zeichenzahl oder die wiederholte Buchstabierung eines Wortes auf dieselbe Weise.

Der bekannte „Erdbeertest“, bei dem KI-Modelle gelegentlich die Buchstaben im Wort falsch zählen, ist zu einem humorvollen Beispiel für dieses Verhalten geworden. Es geht nicht darum, dass generative KI unzuverlässig ist, sondern dass sie eher für die Generierung von Sprache als für deterministische Berechnungen konzipiert wurde.

Die KI, die das Internet im Stillen angetrieben hat: Maschinelles Lernen

Modelle für maschinelles Lernen funktionieren anders. Sie lernen Muster aus strukturierten Daten und verwenden klar definierte Eingaben und Ergebnisse, um Vorhersagen zu generieren. Anhand ausreichender historischer Daten lernen sie, wie sich bestimmte Signalkombinationen auf bestimmte Ergebnisse beziehen. Das Ziel ist nicht Kreativität, sondern Beständigkeit. Wenn dieselben Eingaben wiederholt bereitgestellt werden, sollte das Modell jedes Mal dieselbe Prognose liefern und nur aktualisiert werden, wenn neue Daten das Modell im Laufe der Zeit verbessern.

Maschinelles Lernen unterstützt bereits viele Systeme in der Reisebranche. Umsatzmanagementsysteme von Fluggesellschaften verwenden Prognosemodelle, um die Nachfrage zu prognostizieren und die Sitzplatzpreise anzupassen. OTAs verlassen sich auf Empfehlungsmaschinen, um anhand des Suchverhaltens eines Reisenden die relevantesten Hotels oder Reiseziele zu finden. Fluggesellschaften und Buchungsplattformen nutzen maschinelles Lernen auch, um Zahlungsbetrug oder ungewöhnliche Buchungsmuster zu erkennen.

In digitalen Werbe- und Retail Media spielt maschinelles Lernen eine ähnliche Rolle. Diese Modelle bestimmen, welche Anzeigen vor welchen Zielgruppen geschaltet werden, und ordnen Millionen potenzieller Impressionen auf der Grundlage der Wahrscheinlichkeit, dass ein Reisender interagiert oder konvertiert, ein. Signale wie Suchverhalten, Reisedaten, Interesse am Reiseziel und vergangene Buchungsaktivitäten können allesamt als Grundlage für diese Prognosen dienen.

Während generative KI die Schlagzeilen dominiert, optimiert maschinelles Lernen seit Jahren digitale Ökosysteme.

Beispielsweise könnte eine Fluggesellschaft, der es an soliden Nachfrageprognosen mangelt, eine Strecke, auf der das Angebot an Sitzplätzen bereits begrenzt ist, überbewerten, was die Rendite schmälert, selbst wenn die Medienausgaben steigen. Mit einem stärkeren prädiktiven Fundament kann dasselbe Budget für Strecken mit ungenutzter Kapazität umgeleitet werden, was sowohl die Auslastungsfaktoren als auch die Medienleistung erhöht.

Warum die Unterscheidung in Travel Retail Media wichtig ist

Travel Retail Media operiert in einer Umgebung mit hohem Datenreichtum. Jede Suche, jeder Klick und jede Buchung generiert Signale, anhand derer eine Absicht erkennbar wird.

Ein Reisender, der zwei Wochen vor Abflug nach Flügen von London nach Barcelona sucht, sendet ein ganz anderes Signal aus als jemand, der sechs Monate vor einer möglichen Reise nach den „besten Stränden Thailands“ sucht. Fügen Sie zusätzlichen Kontext wie Gruppengröße, Saisonalität, Preissensitivität oder Verhalten in der Vergangenheit hinzu, und das Bild wird noch komplexer.

Die Herausforderung für ein Retail-Media-Netzwerk besteht darin, diese Signale zu interpretieren und festzustellen, welche Möglichkeiten am wertvollsten sind. Welche Reisenden werden wahrscheinlich buchen? Bei welchen Reisezielen wird es bald zu Nachfragespitzen kommen? Welche Werbeplatzierungen werden zu messbaren Einnahmen führen? Diese Fragen erfordern Prognosen.

Modelle für maschinelles Lernen sind so konzipiert, dass sie strukturierte Signale wie Reisedaten, Reiseziele, Interaktionsverlauf und Buchungsverhalten analysieren, um Wahrscheinlichkeiten abzuschätzen. Sie können die Nachfrage auf bestimmten Strecken vorhersagen, hochwertige Zielgruppensegmente identifizieren oder festlegen, welche Anzeigen in welchem Kontext geschaltet werden sollen.

Mit anderen Worten, maschinelles Lernen hilft dabei zu bestimmen, was am wahrscheinlichsten passiert.

Generative KI trägt unterdessen dazu bei, zu gestalten, wie Marketingteams auf diese Erkenntnisse reagieren.

Wenn Prognosemodelle ein attraktives Zielgruppensegment identifizieren, das Spätsommerreisen ins Mittelmeer plant, können generative Tools dabei helfen, maßgeschneiderte Werbetexte, Zielbeschreibungen oder Kampagnenbotschaften für diese Kohorte zu erstellen. Sie können Leistungsdaten für Vertriebsteams zusammenfassen oder Variationen kreativer Ressourcen zum Testen generieren.

Eine Technologie sagt die Gelegenheit voraus, die andere hilft, sie zu operationalisieren.

Woher die Verwirrung kommt

Ein Teil der Verwirrung zwischen generativer KI und maschinellem Lernen ist auf die Art und Weise zurückzuführen, wie beide Technologien unter dem Dach der künstlichen Intelligenz zusammengefasst werden.

In Wirklichkeit sind sie darauf ausgelegt, verschiedene Arten von Problemen zu lösen. Maschinelles Lernen wird in der Regel für strukturierte Prognoseaufgaben eingesetzt, bei denen Konsistenz und messbare Ergebnisse unerlässlich sind. Generative KI wird dort eingesetzt, wo Flexibilität, Interpretation und Sprachgenerierung wertvoll sind.

Moderne Plattformen kombinieren zunehmend die beiden Ansätze. Ein Reiseunternehmen könnte maschinelles Lernen einsetzen, um zu ermitteln, welche Nutzer am wahrscheinlichsten eine bestimmte Route buchen, während generative KI die kreativen Ressourcen bereitstellt, mit denen sie erreicht werden.

Von außen betrachtet kann diese mehrschichtige Architektur so aussehen, als ob ein einziges „KI-System“ für alles verantwortlich ist.

In der Praxis spielen die zugrundeliegenden Technologien unterschiedliche Rollen.

Warum Führungskräfte im Travel Retail Media beides verstehen müssen

Retail-Media-Netzwerke expandieren in der gesamten Reisebranche rasant, da Fluggesellschaften, OTAs und Reiseplattformen den kommerziellen Wert der Monetarisierung ihrer Zielgruppen erkennen.

Mit dem Wachstum dieser Ökosysteme wird künstliche Intelligenz zunehmend im Mittelpunkt stehen, wenn es darum geht, wie Werbeinventar bewertet wird, wie Zielgruppen segmentiert werden und wie Kampagnen optimiert werden.

Für Führungskräfte, die diese Plattformen beaufsichtigen, ist es wichtig zu verstehen, wie verschiedene Formen der KI zu diesem Prozess beitragen.

Modelle für maschinelles Lernen bilden das prädiktive Rückgrat, indem sie Signale interpretieren und Chancen in riesigen Datensätzen identifizieren. Generative Tools können dann dabei helfen, diese Erkenntnisse in kreative Ergebnisse, betriebliche Effizienz und zugänglichere Berichte umzusetzen.

Wenn Sie ein Travel-Retail-Media-Netzwerk leiten, sollte Ihre erste Frage nicht lauten: „Wo können wir generative KI für Inhalte verwenden?“ sondern „Wo wirken sich unsere Prognosemodelle am direktesten auf Rendite und Werbeeinnahmen aus?“

Generative KI ist heute vielleicht das sichtbarste Gesicht der künstlichen Intelligenz. Hinter den Kulissen spielt maschinelles Lernen jedoch weiterhin die zentrale Rolle bei der Vorhersage der Nachfrage, der Identifizierung von Werten und der Steuerung von Anlageentscheidungen.

Im nächsten Artikel dieser Reihe werden wir untersuchen, warum prädiktive Intelligenz das Rückgrat von Travel-Retail-Media-Netzwerken bleibt und wie maschinelle Lernmodelle, die auf reisespezifischen Signalen basieren, eine effektivere Medienoptimierung ermöglichen können.